CN113155751B - 富营养化湖泊poc垂向结构类型的遥感识别方法 - Google Patents

富营养化湖泊poc垂向结构类型的遥感识别方法 Download PDF

Info

Publication number
CN113155751B
CN113155751B CN202110406858.8A CN202110406858A CN113155751B CN 113155751 B CN113155751 B CN 113155751B CN 202110406858 A CN202110406858 A CN 202110406858A CN 113155751 B CN113155751 B CN 113155751B
Authority
CN
China
Prior art keywords
poc
concentration
remote sensing
type
pixel
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110406858.8A
Other languages
English (en)
Other versions
CN113155751A (zh
Inventor
刘�东
段洪涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Institute of Geography and Limnology of CAS
Original Assignee
Nanjing Institute of Geography and Limnology of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing Institute of Geography and Limnology of CAS filed Critical Nanjing Institute of Geography and Limnology of CAS
Priority to CN202110406858.8A priority Critical patent/CN113155751B/zh
Publication of CN113155751A publication Critical patent/CN113155751A/zh
Application granted granted Critical
Publication of CN113155751B publication Critical patent/CN113155751B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/47—Scattering, i.e. diffuse reflection
    • G01N21/4738—Diffuse reflection, e.g. also for testing fluids, fibrous materials
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P5/00—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1793—Remote sensing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及富营养化湖泊POC垂向结构类型的遥感识别方法，分析不同场景下的野外实测数据概化POC垂向分布类型；综合POC垂向结构时空异质的驱动因素，构建富营养湖泊不同像元POC垂向分布类型的遥感识别流程；最后利用遥感反演的表层叶绿素、FAI和风速，构建Logistic模型对不同POC垂向分布类型进行划分。本发明的方法对富营养湖泊POC垂向分布进行数学概化，可以获得水柱内不同深度的POC浓度连续分布；构建的二叉决策树可以实现遥感像元尺度的POC垂向分布类型识别，为湖泊POC储量遥感估算服务；基于遥感表层Chl‑a、表层POC浓度和风速数据的POC垂向分布类型划分，可拓展性强。

Description

富营养化湖泊POC垂向结构类型的遥感识别方法
技术领域
本发明涉及卫星遥感技术及其应用领域，具体涉及一种富营养化湖泊POC垂向结构类型的遥感识别方法。
背景技术
内陆湖泊等水生生态系统，与陆地生态系统物质、能量和信息等交换强烈。受流域点源和面源等污染源排污的影响，全球面积大于25平均公里的湖泊中有约60％呈现富营养化。湖泊富营养化的一个直接后果是藻类的大量繁殖，一些湖泊甚至呈现出藻华频发的状态。藻类生长繁殖包含的一个重要过程是水体中的浮游藻类将水体或大气中的CO2固定为POC。大量合成的POC可以为微生物活动提供能量，但微生物分解POC过程会大量消耗水体溶解氧造成水体缺氧，故而有必要对富营养化湖泊POC储量实现动态遥感监测。然而，受气象因子、藻类气泡、营养盐供应等的影响，水柱内藻类或POC并不是均匀分布，如藻华发生的时候表层POC最高、底层POC一般呈现低值。因此，需要借助POC的垂向分布结构信息，才能从遥感反演的表层POC浓度推算出水柱内总的POC储量。目前，尚未见关于湖泊POC垂向分布类型的相关研究，虽然已有部分研究开展了海洋POC垂向分布类型的研究，但经与富营养化湖泊实测数据对比发现，海洋的POC垂向分布类型并不适用于内陆富营养化湖泊，故而需要根据富营养化湖泊POC垂向采样数据概化其垂向结构信息。另一方面，由于POC垂向分布类型存在时空异质性，为实现湖泊总POC储量的遥感估算，还需要在遥感像元尺度上实现POC垂向分布类型的遥感识别，并根据可实时获取的环境数据实现不同POC垂向分布类型的划分。
发明内容
为实现富营养化湖泊水柱内POC垂向分布类型的遥感识别，借助于各种生态环境下采集的富营养化湖泊群POC垂向数据，并结合遥感可以获取的浮游藻类指数(FloatingAlgae Index,FAI)、表层叶绿素浓度和风速数据，本发明构建了一种富营养湖泊遥感像元尺度水柱内POC垂向结构类型的遥感识别方法。
本发明所采用的技术方案是：
一种富营养化湖泊POC垂向结构类型的遥感识别方法，包括：
(1)根据富营养化湖泊群水柱内颗粒有机碳POC的水柱不同深度垂向采样数据，将POC垂向分布结构类型概化为均一分布类型、指数衰减类型和幂衰减类型；
(2)将水体表层像元划分为藻华像元和非藻华像元；
对于藻华像元，判断像元POC垂向结构为幂衰减类型；
对于非藻华像元，：
a.将POC垂向分布类型分为均一和非均一分布两种类型，均一分布下p1＝0，非均一分布下p1＝1，以同步获取的像元表层Chl-a浓度、像元表层POC浓度作为自变量构建Logistic模型计算阈值p1，将像元划分为均一和非均一分布两种类型；
b.将非均一分布类型的像元分为指数衰减类型和幂衰减类型，指数衰减类型下p2＝0，幂衰减类型下p2＝1，以同步获取的像元表层Chl-a浓度、风速作为自变量构建Logistic模型计算阈值p2，将像元划分为指数衰减类型和幂衰减类型。
水柱内不同深度POC浓度POC(z)的数学表达式如下：
Figure BDA0003022632750000021
Logistic回归分析具体公式如下：
Figure BDA0003022632750000022
式中，ρ为属于类型2的概率；x1,…,xn为进行像元类型判断所使用的各个生态环境因子，包括遥感得到的湖泊表层Chl-a浓度、POC浓度和风速；β0,β1,…,βn为各个预测因子的Logistic回归分析拟合系数，即贡献权重。
作为本发明的进一步改进，基于不同场景下的采样数据对POC垂向分布结构类型进行概化。进一步的，所述不同场景包括不同湖泊、富营养状态、风速和季节。
作为本发明的进一步改进，所述(2)中，基于遥感反演的表层像元FAI数值将水体表层像元划分为藻华像元和非藻华像元。
作为本发明的进一步改进，所述a、b中，像元表层Chl-a浓度、像元表层POC浓度基于遥感反演获取。
进一步的，所述像元表层Chl-a浓度的反演方式为：
对于藻华像元，采用光谱指数算法由大气顶层遥感反射率Rrc反演表层Chl-a浓度；
对于非藻华像元，先由湖泊水面遥感反射率Rrs反演叶绿素吸收系数，然后基于叶绿素吸收系数与Chl-a浓度的线性关系计算表层Chl-a浓度。
进一步的，基于实测数据建立像元表层Chl-a浓度和像元表层POC浓度的相关关系模型；之后结合遥感反演的像元表层Chl-a浓度和所述相关关系模型获得像元表层POC浓度。
作为本发明的进一步改进，反演的数据源为OLCI/Sentinel-3A卫星遥感数据。
进一步的，还包括对于遥感数据进行预处理，使用6S辐射传输模型进行辐射定标、大气校正，得到经瑞利散射校正后的大气顶层遥感反射率Rrc和湖泊水面遥感反射率Rrs。
进一步的，非藻华像元的划分为：当p1<0.5时，判断像元POC垂向分布为均一分布；当p1≥0.5且p2<0.5时，判断像元POC垂向分布为指数衰减类型，当p1≥0.5且p2≥0.5时，判断像元POC垂向分布为幂衰减类型。
本发明通过分析不同场景下的野外实测数据，概化POC垂向分布类型；然后，综合POC垂向结构时空异质的驱动因素，构建富营养湖泊不同像元POC垂向分布类型的遥感识别流程；最后，利用遥感反演的表层叶绿素、FAI和风速，构建Logistic模型对不同POC垂向分布类型进行划分。
与现有技术相比，本发明的有益效果有：①对富营养湖泊POC垂向分布进行数学概化，可以获得水柱内不同深度的POC浓度连续分布；②构建的二叉决策树可以实现遥感像元尺度的POC垂向分布类型识别，为湖泊POC储量遥感估算服务；③基于遥感表层Chl-a、表层POC浓度和风速数据的POC垂向分布类型划分，可拓展性强。
附图说明
图1是POC垂向分布类型辨识流程图。
具体实施方式
以中国长江中下游典型富营养湖泊群为例，本发明详细说明构建的富营养湖泊POC垂向结构类型的遥感识别方法的具体实施方式，具体如下：
(1)OLCI/Sentinel-3A遥感数据处理。由于POC垂向分布类型具有高时空异质特征，而且相对海洋湖泊面积较小，因此本发明选用时空分辨率均较高的OLCI/Sentinel-3A卫星遥感数据。为去除大气的影响，先使用6S辐射传输模型进行辐射定标、大气校正等处理，得到经瑞利散射校正后的大气顶层遥感反射率(Rrc)和湖泊水面遥感反射率(Rrs)。
(2)表层FAI遥感反演。由经瑞利散射校正后的大气顶层遥感反射率Rrc，根据已报道的公式(3)计算得到不同像元处的表层FAI：
Figure BDA0003022632750000031
式中，Rrc(665)、Rrc(865)和Rrc(1020)分别是OLCI/Sentinel-3A遥感数据中心波长为665nm，865nm和1020nm的波段的大气顶层遥感反射率。
(3)水体表层藻华像元判断。利用遥感反演的FAI可以判断藻华覆盖水体，对于MODIS遥感数据，研究报道当FAI>0.02时，水体100％被藻华覆盖。由同步获取的太湖OLCI/Sentinel-3A和MODIS数据反演的FAI进行交叉定标得到：MODIS反演的FAI＝0.02对应于OLCI/Sentinel-3A反演的FAI＝0.0139。因此，对于OLCI/Sentinel-3A反演的FAI，FAI>0.0139的像元被藻华覆盖。
(4)表层Chl-a浓度遥感反演。对非藻华水体，本发明参考Xue et al.,(2019)已报道的分析算法先由湖泊水面遥感反射率(Rrs)遥感反演叶绿素吸收系数aph(674)，然后由aph(674)与Chl-a浓度的线性关系计算表层Chl-a浓度；对于藻华水体，本发明参考Shi etal.,(2017)已报道的光谱指数(Spectral Index,SI)算法由Rrc遥感反演表层Chl-a浓度，具体如下：
Figure BDA0003022632750000041
式中，Rrc(665)和Rrc(865)分别是OLCI/Sentinel-3A遥感数据中心波长为665nm和865nm波段的大气顶层遥感反射率。
(5)表层POC浓度遥感反演。实测数据表明表层Chl-a浓度与POC浓度之间存在显著线性关系，因此由遥感反演的表层Chl-a浓度根据下式估算POC浓度：
POC＝0.0599×Chl-a+2.4033 (5)
(6)POC垂向分布类型遥感识别二叉决策树构建。如图1所示，
由于藻华发生是藻类聚集在水体表层的结果，即藻华发生时水体POC垂向分布幂衰减分布，因此判定FAI≥0.0139遥感像元的POC垂向分布为幂衰减类型。对于FAI<0.0139的非藻华像元，通过判断中间Logistic变量p1是否大于0.5判断POC垂向分布是否均一。对于POC垂向非均一分布的像元，继续通过判断中间Logistic变量p2是否大于0.5判断是否属于指数衰减类型。
(7)POC垂向分布与非均匀类型划分。对所有的实测数据样本集，将POC垂向分布类型分为均一(p1＝0)和非均一分布(p1＝1)。由实测数据可知：非均一分布类型呈现表层POC浓度高值；因此，以表层Chl-a浓度、POC浓度为自变量输入，构建Logistic模型得到p1的计算公式如下：
Figure BDA0003022632750000042
当p1<0.5时，判断像元POC垂向分布为均一分布；当p1≥0.5时，判断像元POC垂向分布为非均一分布。
(8)POC垂向分布指数衰减和幂衰减类型划分。对实测的POC垂向分布非均一样本，进一步分为指数衰减类型(p2＝0)和幂衰减类型(p2＝1)。进一步分析实测数据可知：幂衰减类型发生在基本水柱内所有藻类聚集在表层，且发生在风速很小时；因此，以表层Chl-a浓度、风速作为自变量输入，构建Logistic模型得到p2的计算公式如下。
Figure BDA0003022632750000051
当p2<0.5时，判断像元POC垂向分布为指数衰减类型；当p2≥0.5时，判断像元POC垂向分布为幂衰减类型。对长江中下游17个富营养湖泊采集的268个POC剖面：155个均一分布类型的判断精度为92.9％，65个幂衰减分布类型的判断精度为84.6％，48个指数衰减分布类型的判断精度为54.2％，三种类型的平均正确判断率为82.46％。

Claims (10)

1.一种富营养化湖泊POC垂向结构类型的遥感识别方法，其特征在于，包括：
(1)根据富营养化湖泊群水柱内颗粒有机碳POC的水柱不同深度垂向采样数据，将POC垂向分布结构类型概化为均一分布类型、指数衰减类型和幂衰减类型；
(2)将水体表层像元划分为藻华像元和非藻华像元；
对于藻华像元，判断像元POC垂向结构为幂衰减类型；
对于非藻华像元：
a.将POC垂向分布类型分为均一和非均一分布两种类型，均一分布下p1＝0，非均一分布下p1＝1，以同步获取的像元表层Chl-a浓度、像元表层POC浓度作为自变量构建Logistic模型计算阈值p1，将像元划分为均一和非均一分布两种类型；
b.将非均一分布类型的像元分为指数衰减类型和幂衰减类型，指数衰减类型下p2＝0，幂衰减类型下p2＝1，以同步获取的像元表层Chl-a浓度、风速作为自变量构建Logistic模型计算阈值p2，将像元划分为指数衰减类型和幂衰减类型；
水柱内不同深度POC浓度POC(z)的数学表达式如下：
Figure FDA0003765867340000011
构建的Logistic模型如下：
Figure FDA0003765867340000012
式中，ρ为属于类型2的概率；x1,…,xn为进行像元类型判断所使用的各个生态环境因子，包括遥感得到的湖泊表层Chl-a浓度、POC浓度和风速；β0,β1,…,βn为各个预测因子的Logistic回归分析拟合系数，即贡献权重。
2.根据权利要求1所述的方法，其特征在于，基于不同场景下的采样数据对POC垂向分布结构类型进行概化。
3.据权利要求2所述的方法，其特征在于，所述不同场景包括不同湖泊、富营养状态、风速和季节。
4.根据权利要求1所述的方法，其特征在于，基于遥感反演的表层像元FAI数值将水体表层像元划分为藻华像元和非藻华像元。
5.根据权利要求1所述的方法，其特征在于，所述a、b中，像元表层Chl-a浓度、像元表层POC浓度基于遥感反演获取。
6.根据权利要求5所述的方法，其特征在于，所述像元表层Chl-a浓度的反演方式为：
对于藻华像元，采用光谱指数算法由大气顶层遥感反射率Rrc反演表层Chl-a浓度；
对于非藻华像元，先由湖泊水面遥感反射率Rrs反演叶绿素吸收系数，然后基于叶绿素吸收系数与Chl-a浓度的线性关系计算表层Chl-a浓度。
7.根据权利要求5所述的方法，其特征在于，基于实测数据建立像元表层Chl-a浓度和像元表层POC浓度的相关关系模型；之后结合遥感反演的像元表层Chl-a浓度和所述相关关系模型获得像元表层POC浓度。
8.根据权利要求2～7任一项所述的方法，其特征在于，反演的数据源为OLCI/Sentinel-3A卫星遥感数据。
9.根据权利要求8所述的方法，其特征在于，还包括，对于遥感数据进行预处理，使用6S辐射传输模型进行辐射定标、大气校正，得到经瑞利散射校正后的大气顶层遥感反射率Rrc和湖泊水面遥感反射率Rrs。
10.根据权利要求1所述的方法，其特征在于，非藻华像元的划分为：当p1<0.5时，判断像元POC垂向分布为均一分布；当p1≥0.5且p2<0.5时，判断像元POC垂向分布为指数衰减类型，当p1≥0.5且p2≥0.5时，判断像元POC垂向分布为幂衰减类型。
CN202110406858.8A 2021-04-15 2021-04-15 富营养化湖泊poc垂向结构类型的遥感识别方法 Active CN113155751B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110406858.8A CN113155751B (zh) 2021-04-15 2021-04-15 富营养化湖泊poc垂向结构类型的遥感识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110406858.8A CN113155751B (zh) 2021-04-15 2021-04-15 富营养化湖泊poc垂向结构类型的遥感识别方法

Publications (2)

Publication Number Publication Date
CN113155751A CN113155751A (zh) 2021-07-23
CN113155751B true CN113155751B (zh) 2022-10-14

Family

ID=76867910

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110406858.8A Active CN113155751B (zh) 2021-04-15 2021-04-15 富营养化湖泊poc垂向结构类型的遥感识别方法

Country Status (1)

Country Link
CN (1) CN113155751B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116908114B (zh) * 2023-09-07 2023-12-01 水利部交通运输部国家能源局南京水利科学研究院 一种流域颗粒有机碳通量遥感监测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7975651B2 (en) * 2005-07-27 2011-07-12 Lutz Michael J Method of sequestering carbon dioxide in aqueous environments
CN106468658B (zh) * 2016-09-05 2019-08-02 中国科学院南京地理与湖泊研究所 一种富营养化湖泊藻蓝素的modis遥感监测方法

Also Published As

Publication number Publication date
CN113155751A (zh) 2021-07-23

Similar Documents

Publication Publication Date Title
CN113711087B (zh) 环境因子预测装置、方法、程序、学习模型及存储介质
Chavez et al. Marine primary production in relation to climate variability and change
Silsbe et al. Variability of chlorophyll a and photosynthetic parameters in a nutrient‐saturated tropical great lake
Bresciani et al. Retrospective analysis of spatial and temporal variability of chlorophyll-a in the Curonian Lagoon
CN113155751B (zh) 富营养化湖泊poc垂向结构类型的遥感识别方法
Huang et al. Using remote sensing to track variation in phosphorus and its interaction with chlorophyll-a and suspended sediment
Hingsamer et al. The consequences of internal waves for phytoplankton focusing on the distribution and production of Planktothrix rubescens
CN113673737A (zh) 基于卫星遥感影像的藻型湖泊水体溶解二氧化碳估算方法
Balch et al. Remote sensing of primary production—II. A semi-analytical algorithm based on pigments, temperature and light
LaBuhn et al. Estimating summertime epilimnetic primary production via in situ monitoring in an eutrophic freshwater embayment, Green Bay, Lake Michigan
Xu et al. Simultaneous inversion of concentrations of POC and its endmembers in lakes: a novel remote sensing strategy
Liu et al. Chlorophyll a estimation in lakes using multi-parameter sonde data
CN113763272B (zh) 一种富营养化湖泊光合有效辐射衰减系数遥感反演方法
Scott et al. Correcting non-photochemical quenching of Saildrone chlorophyll-a fluorescence for evaluation of satellite ocean color retrievals
Tholkapiyan et al. SPATIAL AND TEMPORAL CHANGES OF SEA SURFACE PHYTOPLANKTON PIGMENT CONCENTRATION OVER GULF OF MANNER, INDIA.
Pozdnyakov et al. An advanced algorithm for operational retrieval of water quality from satellite data in the visible
Schubert et al. Sources of variability in the factors used for modelling primary productivity in eutrophic waters
Nouchi et al. Effects of non-uniform vertical constituent profiles on remote sensing reflectance of oligo-to mesotrophic lakes
Montes‐Hugo et al. Phytoplankton size‐structure on the western shelf of the Antarctic Peninsula: a remote‐sensing approach
CN114965300B (zh) 基于光学水体类型和bp神经网络算法构建bp-turb的湖泊浊度制图方法
CN115951025B (zh) 一种水体总磷浓度的反演方法
CN111723479A (zh) 面向过程的富营养化湖泊藻总量遥感估算方法
CN116522648A (zh) 湖泊藻类状态预测方法及应用
Hood et al. Remote estimation of nitrogen fixation by Trichodesmium
CN116304590A (zh) 一种基于滑动窗口阈值的全球海洋中尺度锋面自动识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant